在智慧城市创新不断变化的格局中，研究人员提出了残差时空图卷积神经网络(RST-GCNN)，这可能有助于用户更高效地找到路边停车位。该成果发表在《国际传感器网络杂志》上。

这一新模型有望改变城市驾车体验，并通过提高停车位预测能力，或许有助于减少拥堵和污染。随着城市不断应对加剧的拥堵、污染以及对高效城市生活的永恒追求，人工智能(AI)可能有望缓解驾驶者的日常困扰，甚至帮助我们摆脱交通僵局。

受人脑结构启发的神经网络在解决图片和模式识别、医学诊断、自然语言处理与翻译以及语音识别等诸多领域中的复杂问题中日益应用。本文讨论的RST-GCNN代表了神经网络技术的一种复杂应用，旨在应对城市面临的永恒挑战——停车位供应状况。

与传统模型不同，RST-GCNN集成了残差结构，高效地将来自图表和卷积模块的时空信息相结合。根据其开发者——中国杭州城市大学的陈冠霖、张胜、翁文勇和杨吴坚的说法，RST-GCNN能够通过识别停车数据集中的模式来预测长期停车位占用率。

该团队已经在真实世界的Melb-Parking数据集上测试了他们的方法，并验证了系统的有效性。工作表明，与基准模型相比，新方法在预测停车位占用率方面表现出更出色的性能。这一新方法对城市驾驶者具有巨大潜力，并可用于优化自动化停车搜索过程，最终减少拥堵、优化交通运输效率，在汽车仍然是交通主要方式的繁忙城市发挥作用。

未来，该团队将扩展这一方法应用到更大的停车数据集上，并致力于进一步提高预测准确性。未来的版本将嵌入天气、温度、假日时段和交通停车的其他变数，从而拓展其适用范围和应用价值。

本文译自 techxplore，由 BALI 编辑发布。

PREV : 性别差异：男女对幽默的不同偏好
NEXT : 研究揭示了纯钛的低温变形机制